Impacto Neurofisiológico de XAI em Tarefas de Programação: Uma Avaliação Crossmodal de Guardrails, RAG, RAFT, MoE e HoT

Resumo

Este estudo experimental investiga os efeitos neurofisiológicos de diferentes técnicas de Inteligência Artificial Explicável (XAI) – Guardrails, Retrieval-Augmented Generation (RAG), Retrieval-Augmented Fine-Tuning (RAFT), Mixture of Experts (MoE) e Hypergraph of Thoughts (HoT) – sobre a carga cognitiva, autoeficácia e ansiedade de programadores. Utilizando uma abordagem crossmodal, combinamos medidas neurofisiológicas (eletroencefalografia - EEG, eletrocardiografia - ECG, atividade eletrodérmica - EDA) e comportamentais (rastreamento ocular) para avaliar o impacto de cada técnica durante a execução de tarefas de programação. Doze participantes, com diferentes níveis de experiência, realizaram tarefas de codificação e depuração, enquanto seus sinais fisiológicos e comportamento eram monitorados. Os resultados revelam que a técnica HoT se destacou na promoção de um estado cognitivo mais favorável, com menor sobrecarga mental (indicada por atividade teta/alfa reduzida no EEG e maior variabilidade cardíaca no ECG), maior autoconfiança (refletida em maior atividade beta no EEG e fixações oculares mais estáveis) e menor ansiedade (evidenciada por menor condutância da pele). As implicações deste estudo apontam para a necessidade de projetar ferramentas de IA que considerem não apenas a eficiência técnica, mas também o bem-estar cognitivo do programador.